Learning with Multiple Labels (Disj

Learning with Multiple Labels (Disjoint Case): Let x_i be an instance, Y_i be the set
of candidate class labels for x_i . Assuming that model with parameter space Θ exists
(that maps inputs to correct output labels), the goal for learning from multiple label data (disjoint case) is to estimate θ ∈ Θ so that the predicted class z_i_l for data instance x i is highly likely to be in Y_i .

Kết quả (Việt) 1:

Học tập với nhiều nhãn (Disjoint Case): cho x_i là một thể hiện, Y_i là tậpứng cử viên lớp nhãn cho x_i. Giả sử rằng mô hình với tham số space Θ tồn tại (mà bản đồ các đầu vào để sửa chữa đầu ra nhãn), mục tiêu cho việc học từ nhiều nhãn dữ liệu (các trường hợp) là để ước lượng i ∈ Θ do đó z_i_l lớp dự đoán cho dữ liệu trường hợp x tôi là rất có khả năng trong Y_i.

Kết quả (Việt) 2:

Học tập với nhiều Nhãn (Case rời nhau): Hãy x_i là một ví dụ, Y_i là tập hợp
của các nhãn lớp ứng cử viên cho x_i. Giả sử rằng mô hình với không gian tham số Θ tồn tại
(mà đầu vào bản đồ để sửa nhãn đầu ra), mục tiêu cho việc học từ nhiều dữ liệu nhãn (trường hợp rời nhau) là ước lượng θ ∈ Θ để ​​các z_i_l lớp dự đoán ví dụ dữ liệu xi là rất có khả năng được trong Y_i.